摘要

全球动漫需求以每年10%以上增长，而真正匹配顶级二次元审美的潜在供应商可能不足十家，令新项目从启动到见成果很容易拉长至五年。 一季12—24集纯制作约三年，优秀工作室还要排队两年；一集动画约40万美元，高规格可超100万美元，但仍比欧美动画便宜一个数量级。“市场兴趣在这儿”，真正稀缺的是人才、管理体系与匹配的审美。
视频生成进入“万马奔腾”，但工业化门槛不是模型能不能生成，而是最后5%能否稳定、可控地改对。 十张各有95%正确率的帧，按逐张相乘估算，全部正确的概率约为0.95¹⁰；若作画监督仍须逐张检查，AI从90%改到95%、再到100%未必比人直接画更快。“所有的玄妙之处都在‘够’这个当中。”
传统工作室最先想到的中间帧生成仍未真正落地，反而导演助手和普通静态背景已出现更实用的切口。 把导演过去的脚本、故事板和修改意见交给ChatGPT，哪怕只替他完成40%—50%的初筛，也可能把每日能处理的关键点从10个提高到15个；背景生成确实可用，但通常不是动画产能的最大瓶颈。
AI原生团队可以绕开传统流程压低成本，却同时牺牲动漫最值钱的夸张性与审美设计。 约十人的Kaka Creations用真人动捕加AI风格转换，做出约30分钟、声称95%由AI生成的动画，天宇给出“七分、六分及格”；效率成立，但动作容易僵硬，“如果我真的是喜欢这种风格的，我干嘛不去看真人电影？”
中美视频模型尚未拉开明确代差，竞争集中在更新速度、稳定性、生成速度、价格、交互和垂直审美。 天宇认为可灵、混元、Vidu的生成质量“不输于美国模型”，可灵在动漫关键帧上尤其突出；Pika、Runway、Luma在特效上可能更强。Veo 3加入声音、口型和音画同步很亮眼，但他预计其他厂商会迅速跟进。
当前模型已基本解决空洞眼神和多指少指，却仍被时长、叙事连续性与算力成本卡住。 主流单次生成约10—20秒，20—30秒已算较长且相对稳定，超过一分钟便需要真正理解故事；消费订阅的中档额度往往一周用完，而工业管线可能从每天20—30次试验跃升到500次，“token、成本、效率”会立刻成为硬约束。
语音已接近真人，音乐也能生成可用结果，但越接近替代人，商业伦理与人才供给的风险反而越大。 许多知名日本声优公开反对将自己的声音用于训练或允许AI模仿；中间帧自动化也可能抽掉新人练习与晋升的第一层梯级。理想结果不是让创作更贫瘠，而是让AI成为更便宜的新颜料，带来“百家争鸣、百花齐放”。

精读

1. Azuki从NFT头像走向动漫，首先撞上的是五年见成果周期

天宇介绍，Azuki诞生于2022—2023年的Web3浪潮，是把NFT与二次元动漫结合的品牌；他从Google Brain工程师转向内容负责人，目前主要负责内容开发，尤其是动漫项目的制作。
Azuki更倾向从剧集建立IP，因为漫画和连续剧仍是动漫迷接触新IP最直接的入口；但从执行难度看，短片和电影反而可能比一季剧集更快，形成“电影比做剧集还要稍微简单一些”的行业反差。
一季通常为12—24集，纯制作约需三年；顶级工作室的生产线又普遍排到两年以后，因此从零启动的新项目“很容易就是四五年的时间线”，很可能要到五年后才能见到成果。

2. 年增10%的需求遇上纸笔作坊式供给

需求端的代际迁移相当明确：80后、90后伴随动漫成长并进入消费主流，Gen Z与Gen Alpha继续接棒。播放、流媒体、手游、游戏和潮玩合计后，天宇估计全球动漫市场仍保持每年10%以上增长。
供给端却高度劳动密集。一集片尾往往列出众多专门环节的外包公司，展开后每家公司又可能有数百人；即便如此，仍约有30%—40%的制作在纸上完成，其余电脑绘制也依然是“人用手在画”。
天宇的类比是，日本动画业不像高度集约化的工厂，更像带有“匠人精神、职人精神”的小型拉面店；数字化、管理能力和人才规模共同限制扩产，而非市场没有订单。
一集动画约40万美元，已有漫画、流程精简时还能更低，高规格作品也可能超过100万美元；《双城之战》约千万美元级的单集预算在日本相当罕见，欧美内容成本往往高出不止一个数量级。

3. 全球有产能，但真正匹配IP审美的供应商不足十家

日本的领先不只是制作人数多，还来自政府长期扶持、产业彼此影响形成的成熟体系及持续积累的人才。中国则由B站、腾讯等持续投资，优质工作室“遍地开花”，但整体产业成熟度仍在追赶。
天宇提到《记忆管理局》《突变英雄》《超能立方》和年初的《哪吒2》等中国动画；他认为《哪吒2》对中国来说很可能是一个破圈时刻，并判断中国很有可能在制作质量与效率上开始向日本靠近。
真正能承接顶级二次元项目的潜在合作方，“掰着手指数过来，可能不过十家”。中国、韩国及东南亚并非做得差，欧洲也很好，但欧洲更偏艺术表达，美国则长期形成漫威、DC、迪士尼与皮克斯式视觉语言。
天宇认为内容生产“可能有50%以上都取决于团队对于一个作品的品味”。Azuki虽诞生于美国，视觉DNA却靠近日本动漫；其艺术总监Steam Boy曾任暴雪角色设计总监，并一手设计了首批《守望先锋》角色，因此在美国本土反而难找调性一致的产能。

4. 动漫短剧缩短了时长，却没有同比缩短成本

动画不是摄像机连续拍摄，而是把动作一张张画出来：几秒动作可能需要15—30张图，一整集会累积到上千张手工关键帧。真人短剧能在短时间获得大量素材，动画则不能省掉每一帧的生产。
若按每秒约十张计算，30秒动态画面可能需要300张；但成本不能只按帧数推算。一个人坐着喝咖啡，10—20张图或许就能延伸至一分钟；若改成跑步、遛狗或跳舞，动作与每张画的难度都会陡增。
这使动漫短剧的单秒成本甚至可能高于真人短剧。真正决定预算的不是时长本身，而是镜头中的运动强度、表演细节、特效及导演希望保留的审美夸张。

5. 传统工作室都在看AI，却尚未找到稳定可用的中间帧方案

日本主流工作室很少公开宣传AI，原因是它对艺术家高度敏感；但天宇此行接触下来，“基本上所有的动漫工作室都在看AI”，希望在脚本、角色设计、故事板、第一与第二原画、中间帧、背景、音乐、配音及后期中寻找提效点。
最直观的切口是中间帧：动画师先画手接触咖啡杯、杯子到嘴边、喝完后的三个关键状态，再补出动作过渡。关键帧被视为创造性劳动，中间帧相对枯燥，也是新人最常进入行业的第一项工作。
从技术定义看，这是给定前后关键帧、让模型生成中间视频。相关论文几乎每一两个月便有新突破，B站研发团队、美国独立科研团队以及国内院校和公司都展示过不错结果，但天宇访问的工作室试用后结论仍是“不够稳定”。
那个“够”要求模型同时做到可信与好看：夹克褶皱、手套纹理、杯上图案或光影若忽隐忽现，观众不仅觉得穿帮，还可能把错误解读成剧情铺垫，因为动漫里的每一笔通常被默认具有意图。

6. 最后5%的错误会复利，并吞掉前面95%的效率

天宇给出的生产算术是：AI生成十张帧，每张都达到95%，但错误各自出现在不同位置，按逐张相乘估算，整段完全正确的概率约为0.95¹⁰。只要作画监督和原画师仍须逐张审查，节省的时间就可能被返工吃掉。
十名实习生犯错后，可以被集中告知问题，下一批稿件通常会变得更好；生成模型即使用上masking，也可能在被要求删除一道褶皱时改坏其他位置。“从90%到95%，再从95%到100%，这个过程真的不一定比人快。”
好莱坞爆炸镜头同样说明可控性的含义：导演会要求爆炸大小、烟雾颜色、碎片飞行方向都准确。天宇提到詹姆斯·卡梅隆会对每次爆炸模拟数百次；AI若要全面进入影视业，需要长期投资于这种细粒度创意控制。
“够”的标准又随场景变化。有人用逝去亲人的照片或语音生成十秒纪念片段时，“有大于无”，瑕疵并不重要；一旦进入工业内容，连续性、可修改性与审美意图就会成为硬标准。

7. AI原生动画能及格，但动捕很难替代动漫式夸张

第二类创业公司干脆放弃旧管线，采取“AI有什么能力，我们就干什么”的策略。约十人的Kaka Creations制作了约30分钟、声称95%由AI生成的小动画，天宇给出七分评价，并以六分为及格线。
它没有强求AI凭空画出全部动作，而是拍摄真人拿起咖啡喝一口等表演，再用AI转成动漫风格。成本与效率确有优势，但表现力“坦率地说还是差不少”，观众也很容易判断作品由AI制作。
动捕的问题不是不真实，而是太接近真实：真人嘴角、身体和打斗动作都有物理边界，动漫却会把笑容拉大、眼睛眯成线。天宇以《哆啦A梦》作例子，认为动捕转换后的结果“不够夸张，不够有艺术性，也不够有趣”；若只想看真实动作，观众为何不直接看真人电影？

8. 背景生成有明确用途，导演助手却可能更接近高价值环节

泓君提出先拍一张照片、再让AI转换风格的背景思路，天宇认为静态背景反而最容易成立，不太容易穿帮。天宇提到奈飞《PLUTO》公开声称在背景制作中引入了AI生成；不过背景通常与人物动作平行生产，并非动画最主要的瓶颈，新海诚式高要求环境也远超普通生成标准。
一家传统工作室在关键帧和背景上收效有限后，把某位导演过去的故事板、建议及脚本交给ChatGPT，让它模拟这位导演评估新项目。这个内部工具没有直接画动画，却得到了导演本人认可。
动画导演要判断故事板、脚本、颜色、动作时序和情节，不可能亲自修正每一帧；所谓“作画崩坏”也常来自其下游团队掉链子，而非导演没有能力。其现实约束是巨大的工作量与有限精力。
天宇认为，即使AI只能帮导演处理40%—50%的关键节点，也很有用；若导演每日能聚精会神修改的关键点从10个增至15个，就是巨大成功。泓君将其概括为“质量提升了30%”，并认为这条路径更有希望。

9. AI更大的价值可能是创造过去画不起的视觉语言

日本之行让天宇对现有管线中的AI落地更加谨慎，却也让他对AI原生小团队更兴奋：问题不只是哪一项劳动能被自动化，而是“以前完全做不出来的东西，现在可以做得到了”。
复杂服饰就是一例。2D手绘动画很少让角色穿满繁复花纹、挂饰和铃铛，也很难逐帧描绘中世纪盔甲，并不证明这些设计不好看，而是动画师承担不起让它们持续运动的成本。
上色看似最适合自动化，却揭示了技术与美学的微妙关系：大量动画上色近似Windows画图里的“油漆桶”，在封闭区域内填充颜色。这既是重复劳动，也是既有动画视觉风格形成的技术条件。
天宇以希腊雕塑作类比：颜料难以长期保存，让后来的新古典主义把白色反过来视为审美特色；化工和塑料成熟后，又催生变形金刚、哆啦A梦与手办的新生产体系。AI最值得期待的不是复制旧创意，而是打开新的形式，同时不抹去具体艺术家的贡献。

10. Azuki用AI增加头像趣味，却刻意守住收藏品的人工稀缺性

天宇的日常工作包括写故事、设计角色、跟进制作、融资、宣发和整合资源。Azuki并非从漫画或小说起步，而是一套NFT头像，因此团队持续试验如何让既有头像“动起来”，在不破坏收藏逻辑的前提下增加互动性。
但Azuki原始头像没有使用AI生成：NFT的收藏价值不只在图像质量，也来自人工制作、供给控制与稀缺性。天宇强调，AI可以解决生产，却不自动解决宣发、商业价值或观众是否被感动；这些仍依赖导演和创作者对文化作品的理解。

11. 视频模型的竞争已从单点突破转为持续追赶

天宇把“万马奔腾”的起点放在约七八个月前，但不认为Sora是唯一标志。相比Sora发布时较高的预期与争议，可灵、Pika和Runway在若干重大节点上的推进，可能更能代表行业进入持续追赶。
竞争集中于版本频率、稳定性、速度和关键词理解。Google Gemini先展示了用文字编辑单图，数周后ChatGPT又推出了类似能力并形成吉卜力风格生成热潮；相比之下，Midjourney与Stable Diffusion过去对文字逻辑的理解“不特别强”。
Luma在去年年底展示给定起点和终点、自动补全中间动作；天宇认为中国的可灵可能几乎同时出现，并且在动漫风格关键帧补全上质量更高。混元、可灵、Vidu等中国模型在生成质量上“不输于美国”，终端体验、速度和价格甚至更好。
不同市场呈现审美侧重：中国团队更熟悉二次元，可能在训练素材和产品选择上自然偏向动漫；Pika、Runway、Luma等美国团队在特效上可能更强。天宇目前看不到哪两家之间存在“真正意义上的代差”。

12. Veo 3补上声音，但长叙事仍会像梦境一样跳跃

Google在I/O期间发布Veo 3，在视频生成中加入声音、口型与音画同步。天宇承认这是不错的成果，却认为模型本质上未必形成很深壁垒，类似能力可能很快在其他产品出现。
主流视频长度仍在10秒、15秒、20秒区间，20—30秒已算较长且相对稳定。超过一分钟后，模型不只要延长动作，还必须理解上下文和故事线；“没有人会愿意看一个人拿起咖啡喝一分钟”。
泓君曾要求Veo 3生成松鼠与猫跑过山坡、树林和桥，最后到达带有彩虹与风的山顶。模型包含了所有元素，却用画面切换代替连续奔跑，物体还发生不可思议的形变；两人的共同描述是“感觉在做梦一样”。
局部质量确有巨大进步：人物眼神已基本摆脱早期的空洞感，手指多一根少一根也降到偶发小bug，不再需要每次先检查手。但订阅额度仍紧张：两三个创意、每个平台试5—10次便是每日20—30次，中档套餐往往第一周用完；工业生产则可能需要每日500次。

13. 语音与音乐已经越过技术线，却正撞上权利与生计

天宇判断，大部分尖端语音模型的生成质量已经“跟真人无异”。日本声优有自己的协会；近几个月，许多知名声优公开反对AI，不愿将自己的声音用于语音训练，也不允许AI模仿，因为声音、声音训练和表演本身就是他们的生计。
这里很难继续只说“AI是工具”：若系统能让泓君以后只写稿、不必亲自录播客，主观冲击已经接近替代。声优提供的也不只是物理声音，还包括角色演绎、流量、商业号召力与创意贡献。
音乐在天宇看来也可以生成。至于表现力，他认为答案有一半必须由听众自己给出；人类认为好听的大调、小调和节奏组合并没有无限多，前人及乐理已总结得相当完备，因此模型理解“人认为好听的东西”并没有那么困难。
泓君曾觉得Suno生成的流行音乐太像口水歌，模型从业者解释这是因为平台不敢训练或复制当代顶级歌曲；古典乐因许多作品已经过了版权期限、数据更加开放，效果更好。若技术上真的能复制周杰伦的声音来写歌，新艺人是否还有回报、未来是否还有人类创作的好新歌，便成为结构性问题。

14. 自动化若抽掉新人梯级，长期产能反而可能倒退

中间帧自动化表面上最没有争议：关键帧仍由人创作，AI只接管重复劳动。但中间帧也是新人积累大量练习、逐步成为原画师和大师的入口；一旦消失，产业会失去尚未入学、尚未被认识的下一代人才。
天宇的比喻是，“如果这个梯子只有上面的一半有杠杠可以抓，这个梯子是没有办法爬的”。在行业已经大规模缺人的背景下，短期提效若摧毁训练机制，动漫产业长期来看“说不定还会后退”。
理想路径更像化学工业降低颜料价格：工具变便宜后，不是让画家消失，而是吸引更多年轻人参与。天宇自己的工作已有约15%—20%涉及技术判断，包括耗时、难度、可复刻性和规模成本；团队也试过训练模型，但效果不好，于是决定“让马在前面跑”。
两人都认为混合型人才的重要性会上升：技术团队需要理解创意标准和那5%的错误，创作者也要理解模型边界。天宇形容自己“左脑每天都在跟右脑打架”，泓君则承认对AI与人类未来更悲观；他们最后保留的共识是，这一代人的选择会塑造技术与艺术的长期关系，“答案是要由我们来写的”。

Coatue 的 Laffont 兄弟：AI、公募与 VC 市场、宏观、美国债务、加密、IPO 及更多 | BG2 105. 和奔驰王忻聊，产业大转折下的德国汽车、话语权和技术battle